真实场景中的细粒度识别：一种多任务域自适应方法
计算机视觉与模式识别
2017-09-11 v1
摘要
尽管细粒度物体识别是计算机视觉中的一个重要问题，但当前模型不太可能准确分类真实场景中的物体。这些全监督模型需要额外的标注图像来对每个新场景中的物体进行分类，这是一项不可行的任务。然而，诸如电子商务网站和野外指南之类的来源为许多类别提供了标注图像。在这项工作中，我们研究细粒度域自适应，作为克服易于获取的标注图像与真实世界之间数据集偏移的一步。自适应尚未在细粒度设置中被研究，其中诸如属性之类的标注可用于提高性能。我们的工作使用基于属性的多任务自适应损失，在半监督自适应情况下将准确率从4.1%的基线提高到19.1%。先前的域自适应工作已在小型数据集（如[46]，某些域总共795张图像）或简单数据集（如[41]，由数字组成）上进行基准测试。我们在一个具有挑战性的新细粒度数据集的子集上进行了实验，该子集包含从电子商务网站和Google Street View提取的2,657个汽车类别的1,095,021张图像。
引用
@article{arxiv.1709.02476,
title = {Fine-grained Recognition in the Wild: A Multi-Task Domain Adaptation Approach},
author = {Timnit Gebru and Judy Hoffman and Li Fei-Fei},
journal= {arXiv preprint arXiv:1709.02476},
year = {2017}
}
备注
ICCV 2017